CADRE：一种用于基于视觉的自主城市驾驶的级联深度强化学习框架
计算机视觉与模式识别
2023-04-20 v2 人工智能
摘要
密集交通中基于视觉的自主城市驾驶极具挑战性，原因在于复杂的城市环境及驾驶行为的动态性。广泛应用的方法要么严重依赖手工规则，要么从有限的人类经验中学习，难以泛化至罕见但关键的场景。本文中，我们提出一种新颖的级联深度强化学习框架CADRE（CAscade Deep REinforcement learning），以实现无模型的基于视觉的自主城市驾驶。在CADRE中，为从原始观测提取代表性潜特征，我们首先离线训练一个协同注意力感知模块（CoPM），其利用协同注意力机制从预采集驾驶数据集中学习视觉与控制信息间的相互关系。在冻结的CoPM之后级联，我们进而提出一种高效的分布式近端策略优化框架，在特别设计的奖励函数指导下在线学习驾驶策略。我们基于CARLA NoCrash基准以及自主城市驾驶任务中特定避障场景进行了全面的实证研究。实验结果充分证明了CADRE的有效性及其相对于最先进方法的显著优越性。
引用
@article{arxiv.2202.08557,
title = {CADRE: A Cascade Deep Reinforcement Learning Framework for Vision-based Autonomous Urban Driving},
author = {Yinuo Zhao and Kun Wu and Zhiyuan Xu and Zhengping Che and Qi Lu and Jian Tang and Chi Harold Liu},
journal= {arXiv preprint arXiv:2202.08557},
year = {2023}
}